深度学习实战03-卷积神经网络（CNN）实现天气识别

​
​

活动地址：CSDN21天学习挑战赛
参考文章：https://mtyjkh.blog.csdn.net/article/details/117186183

一、前期准备

本文采用CNN实现多云、下雨、晴、日出四种天气状态的识别。为了增加模型的泛化能力，新增了Dropout层并将最大池化层调整成平均池化层。

1. 导入数据

import matplotlib.pyplot as plt
import os, PIL

# 设置随机种子尽可能使结果可以重现
import numpy as np
np.random.seed(1)

import tensorflow as tf
tf.random.set_seed(1)

from tensorflow import keras
from tensorflow.keras import layers, models

import pathlib

# 设置数据集存放位置
data_dir = "./datasets/weather_photos"

if not os.path.exists(data_dir):
    os.makedirs(data_dir)

data_dir = pathlib.Path(data_dir)

2. 查看数据

数据集一共分为cloudy、rain、shine、sunrise四类，分别存放于weather_photos文件夹中以各自名字命名的子文件中。

image_count = len(list(data_dir.glob('*/*.jpg')))

print("图片总数为：",image_count)

# 查看一张图片
roses = list(data_dir.glob('sunrise/*.jpg'))
PIL.Image.open(str(roses[3]))

二、数据预处理

1. 加载数据

使用image_dataset_from_directory()方法将磁盘中的数据加载到tf.data.Dataset中。

关于image_dataset_from_directory()的详细介绍可以参考文章：

https://mtyjkh.blog.csdn.net/article/details/117018789

关于image_dataset_from_directory()的详细介绍：

https://mtyjkh.blog.csdn.net/article/details/117018789

batch_size = 32
img_height = 180
img_width = 180

# 关于image_dataset_from_directory()的详细介绍：https://mtyjkh.blog.csdn.net/article/details/117018789
from tensorflow.python.keras.preprocessing.image_dataset import image_dataset_from_directory

train_ds = image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

# 关于image_dataset_from_directory()的详细介绍：https://mtyjkh.blog.csdn.net/article/details/117018789

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

多出一个类别“.ipynb_checkpoints”问题的解决方法参考文章：

https://blog.csdn.net/qq_42877824/article/details/125104390

class_names = train_ds.class_names
print(class_names)

# 设置为不自动保存
# %autosave 0

# 删除隐藏的文件夹，否则会多出一个“.ipynb_checkpoints”类别
# path = "./datasets/weather_photos/.ipynb_checkpoints"
# os.removedirs(path)

2. 可视化数据

plt.figure(figsize=(20, 10))

for images, labels in train_ds.take(1):
    for i in range(20):
        ax = plt.subplot(5, 10, i + 1)

        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])
        
        plt.axis("off")

3. 再次检查数据

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

• Image_batch是形状的张量（32,180,180,3）。这是一批形状180x180x3的32张图片（最后一维指的是彩色通道RGB）。
• Label_batch是形状（32，）的张量，这些标签对应32张图片。

4. 配置数据集

• shuffle()：打乱数据，关于此函数的详细介绍可以参考：https://zhuanlan.zhihu.com/p/42417456
• prefetch()：预取数据，加速运行

prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

使用prefetch()可显著减少空闲时间：

cache()：将数据集缓存到内存当中，加速运行

解决参数出现问题的参考文章：
https://blog.csdn.net/weixin_41938996/article/details/115285790

AUTOTUNE = tf.data.experimental.AUTOTUNE

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

三、构建CNN网络

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入，fashion_mnist 数据集中的图片，形状是 (28, 28, 1)即灰度图像。我们需要在声明第一层时将形状赋值给参数input_shape。

num_classes = 4


# 关于卷积核的计算不懂的可以参考：https://blog.csdn.net/qq_38251616/article/details/114278995

# layers.Dropout(0.4) 作用是防止过拟合，提高模型的泛化能力。

# 训练准确率与验证准确率相差巨大的原因之一是由于模型过拟合导致的。

# 关于Dropout层的更多介绍可以参考：https://mtyjkh.blog.csdn.net/article/details/115826689


model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
    
    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3  
    layers.AveragePooling2D((2, 2)),               # 池化层1，2*2采样
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.AveragePooling2D((2, 2)),               # 池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
    layers.Dropout(0.3),  
    
    layers.Flatten(),                       # Flatten层，连接卷积层与全连接层
    layers.Dense(128, activation='relu'),   # 全连接层，特征进一步提取
    layers.Dense(num_classes)               # 输出层，输出预期结果
])

model.summary()  # 打印网络结构

四、编译

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

• 损失函数（loss）：用于衡量模型在训练期间的准确率。
• 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
• 指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。

# 设置优化器
opt = tf.keras.optimizers.Adam(learning_rate=0.001)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

五、训练模型

# 训练10轮
epochs = 10

history = model.fit(
  train_ds,
  validation_data=val_ds,
  epochs=epochs
)

六、模型评估

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()